基于ARMA模型的校园网网络流量预测模型的分析与研究

该文利用短相关流量模型自回归滑动平均模型（ARMA模型）．通过对校园网网络流量数据的采集及分析处理,建立网络流量预测模型,并对流量预测模型进行分析、验证与研究。     

无线传感器网络中一种ARMA流量预测的拥塞控制算法

在无线传感器网络中,由于各节点的通信能力、计算能力、存储能力等都比较有限,使其需采取有别于传统网络的拥塞控制策略.本文针对传感网络特有的多对一、多跳通信方式经常导致网络拥塞的缺陷,提出一种基于流量预测的拥塞避免算法(SCATP).该算法通过ARMA模型分析流经各节点的当前流量,预测网络下一时刻的拥塞状况,并据此进行流量分配,从而实现拥塞控制的同时保证数据的可靠传输.仿真实验表明,SCATP算法在延迟、抖动率、吞吐量和能量有效性等方面能有效改善网络的服务质量.     

WSN流量的双卡尔曼并行递推预测算法研究

针对WSN流量预测,基于AR模型提出一种WSN流量双卡尔曼并行递推预测算法.该算法使用两个Kalman滤波器,交替进行AR模型参数的递推辨识与时变数据中真实值的最优估计,根据序列数据的最新信息实时修正AR模型参数进行动态预测.同时针对大步长的流量预测,引入滚动修正思想,克服动态预测算法存在间隔时间过长的缺点,降低多步预测误差.实验研究表明,利用研究的双卡尔曼并行递推算法使用AR模型进行多步预测,从原理设计和实现算法上,实现了WSN流量的准确预测.     

基于ARMA模型的网络流量预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,因此发生各种问题的可能性也越大,同时管理网络的难度也增大,传统的网络管理是在告警之后,解决潜在的问题,即为一种响应式的行为,这时候网络的服务很可能已经受到影响,根据实际采集的非单播包数的观测值序列,建立该流量参数的正常行为,然后平稳化该序列,估计出网络流量的ARMA（2,1）模型,用线性最小均方误差预测方法,对网络流量进行预测,并检测在将来超越阈值的可能性和发生时间,这样,在网络过载发生之前,可以预先采取防范措施,来保证网络的正常服务,这种方法改变了以往的网络管理响应方式,使得网络过载的预警成为可能。     

基于ARMA和卡尔曼相结合的实际流量预测模型的研究

为了在高度复杂网络环境下,针对无线传感器网络流量预测精度偏低的问题,结合ARMA模型和卡尔曼提出了一种新的预测算法(State Prediction Algorithm based on ARMA and Kalman,SPAK)。该算法首先定义了ARMA模型分布特征,并给出该模型的理论依据。同时,通过融合ARMA与卡尔曼的预测结果提高其预测实际流量的预测精度,实现SPAK具体实现的步骤。最后,结合OPNET仿真采集流量数据,并使用Matlab对算法结果进行仿真,并对比FARIMA模型MF-FIR模型性能,结果发现该算法可以提前预测拥塞情况,提前进行路由选择,实现路由自适应控制。同样对网络的点比和能耗等做好自适应控制,通过对预测误差的比较,从而提高其预测精度。     

基于WSN在消防灭火救援中的定位算法研究

消防人员在火灾环境中的侦查救援工作非常危险,及时准确地获知消防人员的位置至关重要。无线传感器网络（WSN,Wireless sensor networks）具有跟踪定位功能,能有效缩短救援时间。文章针对消防救援环境中利用WSN定位技术实现消防人员跟踪定位,文章通过对WSN的典型定位算法进行分析比较,研究其适用性,并提出适用于该环境的定位算法。     

基于和声搜索算法的WSN节点定位技术

节点定位问题是无线传感器网络中的最重要的基本问题之一。通过引入和声搜索算法来优化无线传感器网络中的节点定位计算,降低了测距误差的影响,提高了节点的定位精度;减少了计算的复杂度,加快了运算速度。仿真实验中通过与基于模拟退火、遗传算法的求解方法进行比较,结果表明定位计算技术在定位精度、运行性能方面的效果较好。     

基于预测模型的WSN节点能量融合机制

分析节点能量衰减的过程,采用节点能量衰减预测模型描述节点能量损耗的规律,并建立基于该预测模型的节点剩余能量汇报机制,从而减少节点能量数据的汇报次数以及节点间的数据通信量,降低节点能耗。实验结果表明,在应用该预测模型后,Telosb节点的电池工作寿命延长1%~4.5%。     

基于预测模型的WSN节点能量融合机制

分析节点能量衰减的过程,采用节点能量衰减预测模型描述节点能量损耗的规律,并建立基于该预测模型的节点剩余能量汇报机制,从而减少节点能量数据的汇报次数以及节点间的数据通信量,降低节点能耗。实验结果表明,在应用该预测模型后,Telosb节点的电池工作寿命延长1%~4.5%。     

WSN中基于UWB和移动信标点的安全定位方法

随着无线传感器网络(WSN)理论和技术的发展,基于位置的应用(如基于位置的存取控制)已成为一种新的需求.然而已有的定位系统没有考虑到特定环境下攻击者利用放大器、定向天线或者通过被俘获节点进行攻击的情形.本文利用超宽带技术(UWB)的优点,提出一种基于UWB和移动信标点的安全定位方法,更适合WSN中基于位置估计的应用需求.该方法首先定位出网络中用户节点的位置,然后进行位置验证,去除恶意信标点,最终实现准确定位.通过实验表明了该方法的有效性.     

基于BPSO-RBF神经网络的网络流量预测

为了提高网络流量的预测精度,针对网络的时变性和混沌性,提出一种反向学习粒子群优化神经网络的网络流量预测模型(BPSO-RBFNN)。首先将网络流量样本输入到RBF神经网络进行学习,采用引入反向学习机制的粒子群算法优化参数,然后建立网络流量预测模型,最后采用仿真实验对模型性能进行分析。结果表明,BPSO-RBFNN可以描述网络流量的时变性、混沌性变化趋势,网络流量预测精度得以提高,具有较好的实际应用价值。     

基于周期性网络流量模型的校园网流量预测

网络流量模型是网络性能评价、网络协议设计和网络规划等的基础,然而实践证明基于泊松过程的传统流量模型并不适用于实际的网络流量.在对大量校园网络流量数据统计分析的基础上,提出一个基于周期性网络流量的网络流量模型,将网络流量分为时间相关分量和正态随机分量,并利用分布拟合检验算法加以验证,同时给出了在不同置信度下基于该流量模型的流量预测算法,从而保证对校园网络高效的管理.     

基于分段IFS分形重建的流量模型

网络流量模型是网络仿真和网络行为研究中的一个基本问题。在分段IFS分形编码重建的基础上提出了一个新的网络流量模型,它基于实际流量的分形重建,所得重建流量变化趋势接近初始流量。在调节因子θ的作用下,重建流量的Hurst参数可以在一定范围内变化,同时重建流量自相关函数曲线与原始流量类似。因此,为网络流量仿真建模研究提供了一种新的选择。     

基于合理遗忘选择训练样本的网络流量预测模型

为了提高网络流量的预测精度,针对极限学习机的训练样本选择问题,提出一种基于合理遗忘选择训练样本的网络流量预测模型(SF-ELM)。首先通过引入遗忘因子减弱旧训练样本对预测结果的影响,合理对训练样本进行在线更新;然后以泛化能力作为评价准则,选择性更新极限学习机输出权值;最后进行仿真分析。结果表明,SF-ELM的网络流量学习速度快于对比模型,获得了更加理想的网络流量预测效果,更适于实时性要求高的网络流量在线预测。     

基于PSO-BP神经网络的网络流量预测与研究

传统网络流量预测采用线性方法进行处理,不能很好地满足要求.根据互联网通信量的自相似性,提出一种基于BP网络的粒子群优化PSO-BP算法进行网络流量预测,用PSO算法对BP网络节点的初始权值进行优化,并利用历史记录训练BP网络,采用Matlab进行仿真.试验结果表明,PSO-BP算法加快了BP网络收敛速度,训练结果的均方误差函数mse在5%以内,提高了网络流量预测精度.     

基于混合蛙跳算法的WSN路由优化算法

通过对无线传感器网络的拓扑结构和蛙跳算法的研究,针对能量受限的无线传感器网络生命周期较短的问题,提出一种基于混合蛙跳算法的WSN(W ireless Sensor Network)路由优化算法。该算法在生成青蛙时,考虑了节点的剩余能量,在局部优化过程中采用选择替换和变异两种方法,在全局优化中引入了多路径路由思想,并且充分利用了基站的信息资源和强大功能。仿真结果表明,该优化机制有效延长了W SN的生命周期,改善了网络性能。     

改进布谷鸟搜索算法优化SVM的网络流量预测模型

网络流量建模预测是网络管理和安全预警的基础。为了提高网络流量的预测精度,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型(MCS-SVM)。首先将一维网络流量时间序列重构成多维时间序列;然后将支持向量机参数看作一个鸟巢位置,通过模拟布谷种群寄生繁衍机制找到最优参数;最后根据最优参数建立网络流量预测模型,并通过仿真实验对MCSSVM的性能进行测试。仿真结果表明,相对于参比模型,MCS-SVM提高了网络流量的预测精度,更加准确地刻画了网络流量复杂变化趋势,为具有混沌性网络流量预测提供了一种新的研究工具。     

基于HP滤波的ARMA-ABCSVR-GABP网络流量预测

针对当前网络流量无法根据流量变化的特征进行预测,且通过单一或者组合模型依然得不到较高准确率的问题,提出一种基于HP(High-Pass Fliter)滤波的流量预测模型.基于高铁站流量数据日高夜低的周期特性以及流量波动增长的长期趋势,依据HP滤波将网络流量分解成周期序列及趋势序列.利用自回归-滑动平均模型(ARMA)对...     

基于双向长短期记忆循环神经网络的网络流量预测

针对长短期记忆循环神经网络在对时间序列进行学习时存在早期特征记忆效果差、难以充分挖掘整个网络流量特征等问题,提出一种基于双向长短期记忆循环神经网络的网络流量预测方法,以提高网络流量预测的准确性。对网络流量序列进行双向学习,避免单向学习导致较早学习部分特征提取和记忆效果差的问题。同时双向学习可以充分挖掘网络流量天与天之间双向的特征,完整地学习到网络流量的整体特征。仿真实验结果表明,改进后的方法相比原方法具有更好的预测效果。     

基于ARMA模型的双路径差异性分析

拟通过单向时延的历史记录对其未来趋势进行预测。首先,通过粗粒度和细粒度两种方式采集世界各地若干目标节点的单向时延作为原始数据;然后,结合多种预测模型的特点和原始数据的内在属性,提出一种基于ARMA模型的双路径差异性分析方法;最后选取合理的预测窗口对方法的准确性进行验证。结果表明,该预测方法是正确、合理的,与灰色预测模型相比能更有效地预测单项时延差序列。